基于逐时负荷和部件神经网络模型的多联机系统仿真方法

作者:王硕朋;邵亮亮;张春路 刊名:制冷与空调(四川) 上传者:陈雪原

【摘要】多联机VRF系统是目前应用较为广泛的空调系统之一,但目前该系统仿真方法主要集中于单一仿真器的建模研究。为了在有限的计算成本下实现同时模拟制冷系统特性与空调系统运行性能,提出了基于部件神经网络建立VRF系统仿真模型,并通过与Energy Plus负荷计算模块的数据交换,实现了可以在建筑物实时负荷变化基础上进行VRF系统运行策略研究的协同仿真方法,从而为该类系统控制及运行策略的分析研究提供了新的途径。

全文阅读

0引言多联机系统是在普通空调器的基础上通过制冷剂分流实现同时供应多个蒸发器运行,从而满足多个区域同时供冷的空调系统。因此,该系统也称为变制冷剂流量(VariableRefrigerantFlow,简称VRF)空调系统。由于VRF系统能够以单一系统同时满足多种不同的热舒适性需求,且由于其管道布置较少,安装简便,因此在商业建筑、医院、学校、宾馆等场所得到广泛应用[1]。近年来,系统仿真技术在制冷空调领域的应用日趋广泛,受到越来越多的认可和使用。对于VRF系统,实验费用较普通空调器更为昂贵。而且,对于不同建筑,空调系统需要定制,这也注定难以在系统完成之前进行全面的实验。因此,系统仿真技术对于VRF系统的设计和运行策略都是非常重要的手段[2]。VRF系统进行系统仿真研究正受到越来越多的关注。VRF系统仿真常见的建模方式归纳于表1中。从中可以发现,已有仿真研究中,单纯的制冷系统仿真较多,没有与建筑物动态负荷特性关联起来。而在以建筑物负荷计算为主的软件,如EnergyPlus中,采用的往往是极其简化的制冷系统模型,无法模拟制冷系统状态参数(温度、压力等)随动态负荷的变化,从而难以进行VRF系统控制及运行策略的研究。本文在制冷系统仿真中引入神经网络部件模型,可同时满足制冷系统仿真所需的通用性、快速性、稳定性和高精度。再通过BCVTB(BuildingControlsVirtualTestBed)仿真平台[3]将制冷系统仿真与EnergyPlus的负荷计算模块集成起来,实现基于逐时负荷的VRF系统运行特性仿真,为进一步的VRF系统控制及运行策略研究奠定基础。表1VRF系统建模方法Table1VRFModelingMethods模型种类模型特点优缺点完全性能曲线拟合模型[4,5]EnergyPlus自带模型;系统层面基于性能曲线进行拟合;不存在部件模型计算量小,速度快,稳定性高;但仅能提供能耗参数,且误差较大流体网络VRF系统模型[6-8]系统层面,按一定拓扑结构连接成两相流的流体网络模型;支路层面,采用分布参数法建模,描述制冷剂分布规律;部件层面,分别采用分布参数法和曲线拟合方法建立稳态模型主要提供制冷剂在各节点上的状态参数,对系统各支路的耦合关系表现突出;但计算量大,计算稳定性不高基于关联式的半经验模型[9]系统层面,按照简单制冷系统循环原理进行搭建;部件层面,基于关联式和性能拟合的方式搭建稳态模型能够提供较为详细的制冷剂及空气侧模型;但现有部件模型过于简化1基于部件神经网络的VRF制冷系统模型人工神经网络,特别是多层BP神经网络作为通用的多输入/多输出非线性函数逼近器,在科学与工程技术的很多领域都获得了成功应用[9]。作者团队之前提出的基于部件神经网络模型的制冷系统混合仿真方法在普通空调器中的应用获得了很好的效果[11]。对于更为复杂的VRF制冷系统,将延用这一方法,在MATLAB中建立VRF系统制冷仿真模型,以兼顾仿真计算的通用性、快速性、稳定性和精度。选用三层BP神经网络作为各部件的通用网络结构,各部件神经网络的输入、输出参数和神经元传递函数的选择如下。神经网络学习所需的部件性能数据可以来自实测,或者高精度但较复杂的机理模型,或者两者的混合。1.1压缩机模型[12]压缩机神经网络的隐层和输出层传递函数分别采用3次和线性函数。输入参数包括蒸发温度,冷凝温度和压缩机频率;输出参数:额定工况制冷量,压缩机功耗。模型与压缩机供应商提供的性能数据偏差在2%以内。1.2冷凝器模型[13]翅片管冷凝器神经网络的隐层和输出层传递函数分别采用Sigmoid函数和线性函数。

参考文献

引证文献

问答

我要提问